Priya Saiprasad，Touring Capital的普通合伙人 – 访谈系列

当软件能够执行工作时，它会改变产品、可服务市场、定价模式以及提供该产品的公司的经济模型。我们希望从一开始就围绕这一机遇构建 Touring。

我们的关注点是那些接近或已展现早期产品‑市场匹配的公司，此时技术前景开始转化为客户采纳。这是 AI 中尤为关键的阶段：创始人需要决定掌控哪些工作流、客户能接受多少自主性，以及如何将早期需求转化为可复制的增长。

我们同样希望借助在风险投资、并购（M&A）和大型技术平台方面的经验，提供公司建设的视角。我们的目标是帮助创始人打造随着技术进步而竞争优势不断深化的企业。这需要对机遇的坚定信念以及持续审视其背后假设的意愿。

您曾指出，最大的 AI 机遇正从单纯构建更大的基础模型转向将 AI 应用于特定行业的公司。技术或经济方面出现了哪些变化，使得应用层如今如此引人注目？

模型的能力和可获取性显著提升，这改变了创业者创造价值的切入点。现在不再需要从零构建底层智能即可打造强大的产品。

这将问题从“谁拥有最好的模型？”转变为“谁能够将该智能应用于解决问题，并从根本上改变经济模型或工作流？”

最具吸引力的公司并非仅在现有软件产品前套用大型语言模型（LLM），而是利用 AI 重新思考工作方式。在某些情况下，这意味着自动化工作流的大部分环节；在另一些情况下，则意味着让更小的团队产生显著更多的产出。

我认为下一波价值创造将出现在此：能够将日益强大的智能转化为客户信赖、用于完成重要工作的产品的公司。

放眼当今各行业，您认为哪些行业正处于真正的 AI 转折点，即 AI 能够从根本上重塑工作流，而不仅仅是提升现有软件的效率？

我尤其关注那些拥有大量知识工作、复杂现有工作流且软件渗透率历来较低的行业。

金融服务、医疗保健、法律、工业和汽车行业是典型例子。这些行业通常拥有海量有价值的信息和高度专业化的工作流，但大量工作仍然是碎片化的、手动的，或依赖经验丰富的人在系统之间转移信息。

机会并不只是让这些员工的生产力提升10%。更有趣的公司正在围绕AI现在能够做到的事情重新设计工作流程。

你可以在像Numa这样的公司看到这一点，该公司使用AI代理来自动化客户互动和经销商运营；以及Daloopa，它将AI应用于金融机构使用的高度时间敏感的数据和研究工作流。共同点是对底层工作的深刻理解。AI很强大，但它并不能消除对所服务行业的了解需求。

Touring Capital在评估AI公司时强调数据护城河、产品飞轮和领域专长。当一个真正具有防御性的垂直AI业务是什么样子时，如何将其与仅仅包装第三方大型语言模型的公司区分开来？

一个真正具有防御性的AI业务会随着其运营而变得更强大。

底层模型可能会随时间改进，公司甚至可能完全更换模型，但业务价值不应因为模型的更换而消失。关键在于公司围绕该模型拥有的资产：客户关系、工作流、专有数据、集成以及承担更重要工作所需的信任。

我们密切关注的一点是产品是否会随着时间的推移更加深入地嵌入。客户是否将更多工作交给它？使用量和结果是否在复利增长？公司是否从部署中学习，以改进产品？

这些动态比单纯在第三方模型之上提供一个良好界面要产生更强的业务。AI的功能可以非常快速地趋同。持续使用和更深层的工作流采纳则更难复制。

随着基础模型变得更强大且日益商品化，这是否通过为垂直AI公司提供更廉价的智能来强化它们，抑或会导致模型提供商自身吸收更多应用层？

这两种动态可以同时发生。更好的模型扩展了应用公司可以交付的内容，同时也让模型提供商进一步进入产品和工作流领域。

尽职调查时的问题是，随着底层智能的提升，公司位置会如何变化。我们会一起提出两个问题：下一代模型会为该业务带来哪些可能性，其当前价值主张的哪些部分可能会成为标准模型能力？这有助于区分受益于进步的公司与其差异化依赖于暂时性限制的公司。

垂直业务可以通过专门的工作流、客户渠道、集成、评估系统以及其承担的运营责任来构建持久的竞争优势。这些优势需要持续投资；单纯的领域专长并非永久性的保护。

我认为最具吸引力的公司都有一条清晰的路径，能够随着模型的改进承担更有价值的工作。它们的客户获得更好的结果，交付经济性得到加强，累积的知识也变得更有价值。这正是我们希望为之提供支持的模型进步关系。

传统的软件即服务公司历来通过年度经常性收入、毛利率、留存率和座位扩张等指标进行评估。随着推理成本、基于使用的定价以及基于结果的商业模式变得愈发重要，AI正在如何改变你所依赖的指标？

ARR、留存率和毛利率仍然重要。问题在于，仅凭这些指标已不足以提供完整的判断。

一家AI公司可以在ARR达到数千万的规模时迅速增长，而其客户群内部的实际使用量已经在下降。客户可能仍在合同期内，但等到续约时，产品实际上已经被取代。这就是我们所说的潜在流失。

因此，我们越来越多地在定价模型之下审视实际完成的工作。工作流和结果的数量是否随时间增加？客户是否信任产品完成更多工作？在部署初期的热情过去后，使用是否仍在持续？

我们也更加仔细地审视增长背后的经济学。AI公司可以用自动化取代人工人力，但计算资源成为劳动力和成本结构的真实组成部分。这也是我们关注工作流强度、效率倍增器、每位调整后员工的收入以及成本杠杆等概念的原因。

更大的问题是增长是否随着时间变得更持久、更高效。惊人的增长与持久的增长并不一定是同一件事。

许多AI代理正被设计为不仅协助员工，而是能够自主完成整个工作流。这将如何改变企业软件的市场机会，AI公司是否最终能够捕获历史上位于软件支出之外的部分劳动力预算？

我认为这是企业软件最重要的转变之一。

历史上，软件主要被视为帮助员工完成工作的工具。员工仍然负责产出工作，软件预算与人工预算是分开的。

AI 改变了这一等式，因为软件可以日益自行完成工作的一部分。

这大幅扩大了市场机会。你不再仅仅是从 IT 或软件预算中出售生产力工具。如果一个产品能够可靠地承担有意义的工作并产生可衡量的结果，它也有可能从人工预算中获取价值。

关键的区别在于 AI 助手与客户真正信任能够执行任务的 AI 系统之间。后者有可能变得更有价值，但它也必须展示出真正的可靠性、问责制和经济性。最终，若产品无法持续交付其承诺的结果，客户根本不会在乎 AI 有多么复杂。

您目前在包括 Numa 和 Daloopa 在内的公司董事会任职，这些公司将技术应用于汽车运营和金融数据等截然不同的垂直领域。这些公司教会您在拥有深厚既定工作流程和领域专长的行业中成功引入 AI 需要哪些条件？

最大的教训是，AI 并未消除领域专长的重要性，反而在许多方面使其更加重要。

要在已有的行业中成功引入 AI，必须对工作流程有足够深入的了解，才能知道自动化真正能创造价值的环节以及人类判断仍然必不可少的地方。同时，还需了解客户如何采用该产品、它如何融入现有系统和 AI 采纳周期，以及赢得客户信任所需的条件。

Numa 和 Daloopa 所处的市场截然不同，但二者都与客户需要完成的具体工作紧密相连。最成功的垂直 AI 公司并不是从“我们可以把 AI 放在哪里？”出发，而是从一个有意义的问题或工作流程开始，然后围绕 AI 现在能够实现的功能进行重新设计。

这也是我认为领域专长随着时间可能成为显著优势的原因。对工作了解得越深入，就越能打造出客户愿意依赖的产品。

Touring 最近的投资涵盖了特定领域的应用以及支撑 AI 的基础设施。您如何看待在应用层与支撑其运行的基础设施之间的平衡？您认为当下风险投资规模回报更大的机会在哪里？

我们并不把机会仅仅视为存在于技术栈的某一层。我们关注重要瓶颈出现的地方，以及公司在 AI 采纳规模化时能够建立有意义位置的机会。

在应用层面，我们看好能够通过掌握关键工作流程并交付真实成果，将 AI 转化为可衡量经济价值的公司；在基础设施层面，我们关注那些解决决定 AI 能否高效规模部署的约束的公司。

我们对 Infinity 和 Parasail 等公司的投资正是基于此。前者致力于解决不同 AI 芯片运行现代模型的软硬件兼容问题，后者帮助开发者在无需自行管理底层基础设施的情况下部署和扩展 AI 工作负载。

更好的机会并不一定取决于公司是属于应用层还是基础设施层。关键在于公司是否在解决一个重要且持久的问题，并且该问题在 AI 市场演进过程中有潜力变得愈发有价值。

在大量资本集中于相对少数前沿 AI 公司之际，您认为投资者仍在哪些方面低估了机会？哪些 AI 原生的细分领域或商业模式仍未得到应有的关注？

我觉得特别有趣的一个领域是市场的中段。

目前，风险投资正变得越来越有针对性。对最早期的有前景公司有巨大的需求，尤其是那些拥有卓越团队和引人注目技术的公司。同时，对规模最大、最成熟的公司也有相当充足的资本可供投入。

但中段，尤其是传统的 B 轮和 C 轮阶段，已经变得更加困难。

AI 压缩了预期。公司现在可以比以往更快地从零起步实现有意义的收入，这在企业开始产生收入后大幅提升了门槛。几年前被视为非凡的增长，如今在市场上可能已不再突出。

这既带来了风险，也带来了机遇。

一些公司正被迫迎合融资市场在特定时点的需求：5 倍增长、10 倍增长、某个收入里程碑，而不论这种轨迹是否能够打造可持续的业务。市场在六到九个月内可能会发生剧烈变化，因此创始人必须谨慎，避免仅仅为下一轮融资的预期而构建产品。

对于投资者而言，我认为在识别那些具备坚实基本面但并不完全符合当今市场极端特征的公司时，存在真正的机会。挑战在于保持足够的纪律性，辨别可持续增长与仅仅被当前 AI 融资周期提前拉动的公司之间的区别。

感谢这次精彩的访谈，想要了解更多关于这家风险投资公司的读者请访问 Touring Capital。